深度学习-计算机视觉-图像分类
文章平均质量分 95
在2024年的今天,我们来纵观一下基于深度学习的图像分类的历史吧。
神仙盼盼
一个在AI领域扑腾的小废废
展开
-
第四篇 ResNet
论文中提出的残差网络(Residual Networks, ResNets)通过引入“快捷连接”(shortcut connections),允许网络层学习输入和输出之间的残差映射。这种方法使得网络能够更容易地优化,并且能够从显著增加的深度中获得准确性的提升。原创 2024-03-15 10:10:41 · 1121 阅读 · 0 评论 -
第三篇 GoogleNet
这篇论文提出了一种名为**Inception**的深度卷积神经网络架构,也被称为**GoogLeNet**。这一架构在2014年的ImageNet大规模视觉识别挑战赛(ILSVRC2014)中取得了分类和检测任务的最佳性能,成为了当时的新标杆。原创 2024-03-14 15:49:11 · 438 阅读 · 0 评论 -
第二篇 VGGNet
在**深度学习**和**计算机视觉**领域,大规模图像识别任务的准确性和效率一直是研究的重点。尤其是在处理如**ImageNet**这样的大型图像数据库时,如何有效地识别和分类图像中的对象成为了一个挑战。在这样的背景下,**Karen Simonyan**和**Andrew Zisserman**提出了他们的研究成果——**"VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION"**。原创 2024-03-14 14:25:24 · 832 阅读 · 0 评论 -
第一篇 AlexNet
在数字化信息爆炸的时代,图像识别技术成为了人工智能领域的重要研究方向之一。本文所介绍的论文便是在这一背景下提出的,它旨在通过训练深度卷积神经网络(CNN)来解决图像分类问题,特别是在处理大规模、高分辨率图像数据集时,提高分类的准确性和效率。该论文的主要贡献在于训练了一个大型、深层的卷积神经网络,并成功将其应用于ImageNet LSVRC-2010竞赛中的120万张高分辨率图像分类任务。这些图像涵盖了1000个不同的类别,对于传统的图像识别方法而言,这是一个极具挑战性的任务。原创 2024-03-14 14:23:22 · 974 阅读 · 0 评论